Suite

"Toutes les entrées ne sont pas actuelles" après la condition préalable = false dans Model Builder



J'utilise un itérateur pour parcourir une liste de chaînes pour la sélection/l'agrégation/le nombre de fonctionnalités. Il est possible qu'aucune Fonctionnalité ne soit agrégée. Dans ce cas, je veux que l'itérateur passe à la prochaine %String%. Cependant, dans une telle situation, le modèle fonctionne comme suit :

  • Exécution (itération des valeurs de champ) : IterateFieldValues…
  • Réussi…
  • Exécution (Sélectionner) : Sélectionnez… Data.shp in_memoryTagFeaturesSelect… LIKE '%;seo;%' -…
  • Exécution (Get Count) : GetCount in_memoryTagFeaturesSelect
  • Nombre de lignes = 11
  • Exécution (Calculer la valeur) : CalculateValue check(11) "def check(rowcount)… Booléen
  • Valeur = vrai
  • Exécution (points agrégés) : AgrégerPoints in_memoryTagFeaturesSelect…
  • Recherche de clusters de points…
  • Construire des polygones…
  • Exécution (Get Count 2) : GetCount C:1_TOOLSIntermediateSelTaglocationsAgg.shp
  • Nombre de lignes = 0
  • Le processus ne s'est pas exécuté car la condition préalable est fausse.
  • Réussi à…
  • Exécution (jointure spatiale): SpatialJoin… SelTaglocationsAgg.shp in_memoryTagFeaturesSelect… output_seo.shp…
  • Heure de début:…
  • Toutes les entrées ne sont pas actuelles.
  • Réussi à…
  • Exécution (jointure spatiale (3)) :…
  • Heure de début:…
  • Toutes les entrées ne sont pas actuelles.
  • Réussi à…
  • Exécution (statistiques récapitulatives) :…
  • Heure de début:…
  • Toutes les entrées ne sont pas actuelles.
  • Réussi à…

Voici le modèle dont je parle :

J'ai également essayé d'utiliser Calculer la valeur avec result = false pour Row Count = 0, mais le même résultat. Le modèle ignore également si j'ai défini [Row Count 2] comme condition préalable à [Spatial Join (3)] ou non. Mon modèle continue toujours, mais j'obtiens toutes les erreurs et je crois que ce n'est pas intentionnel ?


Tests unitaires sur la validation MVC

Comment puis-je tester que l'action de mon contrôleur met les erreurs correctes dans le ModelState lors de la validation d'une entité, lorsque j'utilise la validation DataAnnotation dans MVC 2 Preview 1 ?

Un peu de code pour illustrer. Tout d'abord, l'action :

Et voici un test unitaire défaillant qui, selon moi, devrait réussir mais ne l'est pas (en utilisant MbUnit & Moq):

Je suppose qu'en plus de cette question, devrait Je teste la validation, et devrais-je la tester de cette manière ?


Lorsqu'un modèle est exécuté, des données de sortie sont créées pour chaque processus du modèle. Certaines de ces données de sortie ne sont créées qu'en tant qu'étape intermédiaire pour se connecter à d'autres processus qui créeront la sortie finale. Les données générées à partir de ces étapes intermédiaires, appelées données intermédiaires, sont souvent (mais pas toujours) inutiles une fois l'exécution du modèle terminée. Vous pouvez considérer les données intermédiaires comme des données de travail temporaires qui doivent être supprimées une fois le modèle exécuté. Cependant, lorsque vous exécutez un modèle à partir de la fenêtre ModelBuilder, les données intermédiaires ne sont pas supprimées, c'est à vous de les supprimer.

La validation du modèle fait référence au processus consistant à s'assurer que toutes les variables du modèle (données ou valeurs) sont valides.


La dynamique pandémique : un aperçu conceptuel

Le paysage de la dynamique pandémique est composé de plusieurs relations interconnectées complexes entre les données, les modèles et les applications, tout comme un écheveau de laine enchevêtré. Nous visons à démêler une telle dynamique en gelant la pandémie dans une pile temporelle. Cette réorganisation simplifiera la discussion et révélera les tendances de la recherche sur l'IA liées à la pandémie, ainsi que l'évolution de nouvelles données et modèles DL.

L'IA est généralement appliquée comme une approche axée sur les données à des problèmes complexes, car les relations impliquées sont généralement difficiles à décrire par des modèles mathématiques ou statistiques. Cela signifie que le type de données influence fortement les méthodologies d'IA à adopter dans un contexte spécifique. Le tableau  1 propose au lecteur une synthèse de ces différents types de données et des tâches qui sont abordées dans chaque contexte, et que l'on peut retrouver dans la littérature scientifique.

Tableau 1

Aperçu schématique des types d'informations, des sources associées, des applications et des méthodes d'IA

Type de donnéesContenu multimédiaModèles de cordesDes séries chronologiques
La descriptionImage, vidéo, audio, points de données 3DTextes, séquences génétiques, réseaux sémantiquesDonnées historiques, données de capteurs, données scientifiques
SourcesImages médicales (CT, rayons X), Ultrasons pulmonaires (LUS), Caméras de surveillance et de sécurité, Drones, Données acoustiques, Haut-parleurs intelligents, Protéine 3DDonnées de journal, documents, littérature scientifique, cartes du génome, messages de réseaux sociaux, dossiers de santé électroniquesValeurs cliniques, dispositif portable, données de l'Internet des objets (IoT) (paramètres des ventilateurs, etc.), paramètres statistiques (décès, occupation des soins intensifs), indicateurs économiques (PIB)
ExemplesVision par ordinateur, détection de mouvement, reconnaissance vocalePNL, classification des avisDonnées de capteur, activité Web
ApplicationDétection et diagnostic des maladies médicales, surveillance sociale, protéomiqueSuivi Social, Traitements Médicaux, PathogénieOptimisation des soins de santé, planification sociale, prévision des épidémies et de la transmission
ExemplesDiagnostic de pneumonie, Détection de masque, Reconnaissance de l'environnement, Contrôle social, Analyse des déplacements de personnes, Robots de désinfection, Contrôle de quarantaine, Reconnaissance du son de la toux, Pliage des protéinesAmélioration des protocoles médicaux, développement et réorientation de médicaments, développement de vaccins, génomiquePrédiction des épidémies et de la transmission, suivi et prédiction des infections
Technique ML/DLDeCoVNet, FCNN, ResNet-18/34/50, SqueezeNet, DenseNet-161, VGG19, STN, CNN, SVM, RF, MLP, Grad-CAM U-Net, FCN SegNet, DeepLabv3ML-DSP, PNL, RNN, RF, LSTM, SDV, LDAPNN+cf, BFGS-PNN, BFGS, régresseur MLP, ANN, RF, LG, CD-Net, FFNN, LASSO, DeepFM, ARIMA-WBF, LSTM, PODA

Les données sont divisées en trois groupes, à savoir le contenu multimédia, les modèles de chaînes et les séries chronologiques, dont les descriptions sont fournies en haut du tableau. Ensuite, pour chaque groupe, des sources typiques et des domaines d'application sont rapportés avec quelques exemples explicatifs. Quant au domaine d'application, nous avons utilisé la taxonomie présentée dans Chen et al. (2020). Enfin, les techniques d'IA courantes sont signalées pour chaque colonne

La figure  2 illustre l'évolution dans le temps d'une pandémie tout en montrant les différents contextes et les applications d'IA associées. La chronologie reflète la séquence de décisions relatives à la manière dont les différentes phases de la pandémie doivent être traitées, selon le GIP de l'OMS (2009). Cette institution identifie six phases pandémiques plus deux autres périodes (une post-pic et une post-pandémie). Celles-ci peuvent être regroupées en cinq périodes, selon les actions à prendre en compte. La Fig.  2 montre les données générées dans différentes phases et domaines de la société. Comme les données cliniques sont générées à partir des patients et analysées en laboratoire, les dossiers de santé des patients et les séries chronologiques sont déduits des données pandémiques et les radiographies et la tomodensitométrie sont générées dans les hôpitaux. prédiction, suivi de la propagation, diagnostic, production de médicaments et réorientation des médicaments. Techniquement parlant, à différents stades de la chronologie de propagation de la pandémie, les articles scientifiques rapportent des informations sur les données collectées et les cas testés pour enquêter sur les caractéristiques de la maladie.

Une perspective temporelle d'une diffusion pandémique, avec des avancées dans la société, les centres médicaux et les instituts de recherche. Cette figure montre comment la méthodologie de collecte sur le type même de données évolue dans le temps et s'entremêle avec divers domaines de la société. Les données cliniques génèrent des dossiers de santé, qui, regroupés dans le temps et par population, conduisent à des séries temporelles, prédites par des modèles de prévision pour anticiper l'évolution de l'épidémie. Alors que les rayons X et la tomodensitométrie générés dans les hôpitaux peuvent être utilisés pour former des modèles DL à des fins de diagnostic. En partant du bas, la première étape représente le moment où une pandémie n'a pas encore eu lieu. Dans la société, il n'y a pas d'implications spécifiques, et dans les instituts de recherche, les laboratoires étudient et testent de nouveaux virus et maladies. Dans la deuxième étape, un suivi et une surveillance sociale sont effectués pour empêcher tout virus de devenir endémique et d'avoir un impact sur la société avant la disponibilité d'une étude complète sur un remède ou un vaccin. Dans le même temps, les hôpitaux génèrent des données médicales sur les patients infectés, comme des scanners thoraciques comme dans cette pandémie de COVID-19. Les réseaux de neurones (NN) peuvent commencer à analyser de telles images, améliorant ainsi leur précision dans la prédiction de nouveaux cas. La troisième étape est l'apparition d'une pandémie, période au cours de laquelle les données de séries chronologiques pourraient montrer une tendance exponentielle. Ici, les séries chronologiques commencent à s'allonger et des prédictions dans le temps peuvent être faites avec des modèles ML. Au quatrième stade, il existe un nombre important de cas et une quantité importante de données, ce qui rend nécessaire une analyse de texte des articles à l'aide d'un outil d'IA afin de traiter le grand nombre d'articles sur le virus. Enfin, lorsque la pandémie est terminée et qu'une grande quantité de données est disponible, une analyse rétrospective peut être réalisée

Dans ce travail, nous résumons également les principales contributions à la recherche liées au rôle de l'IA dans la pandémie de COVID-19 en rapportant les tableaux  2 ,  3 et  4 à la fin de chaque sous-section, afin de guider le lecteur à travers les principaux résultats de la littérature sur l'application de l'IA dans des contextes liés à Covid-19.

Tableau 2

Résumé de la littérature liée à l'épidémie de COVID-19 (stade 2)

RéférenceBase de donnéesDonnées COVID19Intervalle de tempsMéthode AI/MLPerformancePertinenceDéfaut
Randhawa et al. (2020)Base de données du Centre national d'information sur la biotechnologie (NCBI)texte. Génome de 29 903 paires de bases. 28 séquences du virus COVID-19 et de la chauve-souris Betacoronavirus RaTG13avant le 23 janvier 2020Approche d'apprentissage automatique avec traitement du signal numérique (ML-DSP), qui utilise 6 approches d'apprentissage supervisé telles que SVM linéaire et KNN, complétées par une approche d'arbre de décision pour le composant d'apprentissage automatiqueACC moyen : 90,5 – 96,2i) Confirmer la taxonomie du COVID-19 et l'origine possible des chauves-souris ii) la méthodologie sans alignement adoptée pour analyser rapidement de grands ensembles de données.ML-DSP est une méthode boîte noire qui n'offre pas d'explication (biologique) pour sa sortie et n'est pas en mesure d'attribuer un taxon sur lequel il n'a pas été formé.
Fong et al. (2020a)Archives des autorités sanitaires chinoisesdes séries chronologiques. 14 cas de cas suspects21 janvier – 3 février 2020réseau de neurones polynomial avec rétroaction corrective (PNN+cf)RMSE : 136,55 RMSE Lin Régresseur : 520,16 RMSE ARIMA : 1016,27Augmentation des données par rapport aux petites données existantes et ajustement des paramètres d'un modèle de prévision individuelLe résultat prédit est très sensible aux paramètres utilisés. Comprendre pourquoi les algorithmes entraînent des erreurs très faibles ou très élevées (pour la sélection du panel).
Fong et al. (2020c)Centre chinois de contrôle et de prévention des maladiesdes séries chronologiques. 58010 des cas confirmés récents25 janvier – 25 février 2020Réseau de neurones polynomial optimisé Broyden𠄿letcher–Goldfarb–Shanno (BFGS-PNN), c'est-à-dire PNN amélioré avec fonction d'optimisation des paramètres.RMSE : 62077.26 RMSE LinReg : 127693.55i) Algorithme BFGS pour optimiser les paramètres et la taille de la structure du réseau en utilisant une technique allitérative d'escalade. ii) Estimer le coût direct nécessaire dans le cadre de la planification budgétaire nationale pour contrôler l'épidémie de COVID-19Comparez et contrastez les différences d'autres techniques et affinez les entrées pour plus de précision.
Wang et al. (2020)ensemble de données du département de radiologie de l'université de Huazhongimages. Tomodensitométrie thoracique. 540 patients dont 313 patients COVID-1913 déc. 2019 – 6 févr. 2020Cadre d'apprentissage en profondeur faiblement supervisé (DeCoVNet): UNet (pré) & trois étapes Deep Network & UNet(ROC) ASC : 0.959Classification COVID-19 et localisation des lésions à l'aide de volumes de tomodensitométrie 3Di) Le modèle UNet pour la segmentation pulmonaire n'a pas utilisé d'informations temporelles et il a été formé à l'aide de masques de vérité au sol imparfaits ii) validations intercentriques (plus d'hôpitaux) iii) données CT de (CAP) non collectées iv) explicabilité
Kang et al. (2020)CDC chinoisimages. Images CT du thorax. 2 522 patients dont 1 495 patients COVID-199 janvier – 14 février 2020FCNN : apprentissage structuré de la représentation multi-vues latenteACC : 95,5 % Sens : 96,6 %, Spéc : 93,2 %Classer COVID-19 vs CAP. Utilisation de l'apprentissage de la représentation multi-vues avec plusieurs fonctionnalités, telles que la texture, la surface, l'histogramme de volume et l'intensité.i) Diagnostic avec plus de classes au lieu de seulement deux types de maladie (c'est-à-dire COVID-19 et CAP). ii) Les caractéristiques cliniques des patients peuvent être utiles pour le diagnostic.
Xu et al. (2020)2 hôpitaux chinoisimages. Échantillons CT. 618 échantillons CT dont 219 provenaient de 110 patients atteints de COVID-1919 janvier – 14 février 2020Réseau résiduel (ResNet)-18 en concaténant le mécanisme de localisation-attention dans la couche de connexion complète pour améliorer la précision globaleACC binaire : 86,7%Etude de cas multicentrique. Modèle de classification lieu-attentionSeulement comparé la manifestation CT de COVID-19 avec celle de l'IAVP. Pour combiner l'historique des contacts du patient, les antécédents de voyage, les premiers symptômes et l'examen de laboratoire.
Mei et al. (2020)18 centres médicaux en Chineimages. tomodensitométrie. 905 patients dont 419 patients COVID-1917 janvier – 3 mars 2020Classificateurs SVM, forêt aléatoire et MLP(ROC) ASC : 0,92 Sens : 84,3 Spéc : 82,8Performances comparées à celles d'un radiologue thoracique formé par une bourse avec 10 ans d'expérience et d'un boursier en radiologie thoracique.Explorez diverses approches, y compris des modèles d'apprentissage en profondeur 3D et développez l'interprétabilité des modèles CNN. Pour valider la robustesse des modèles, il est important de tester le système d'IA dans plusieurs centres.
Liang et al. (2020)NHC de la République populaire de Chinedes séries chronologiques. caractéristiques cliniques de base. 1 590 patientsavant janvier 2020réseau de neurones feedforward à trois couches & modèle LASSO CoxIndice C : 0,894 (ROC) ASC : 0,911Le modèle Deep Learning Survival Cox avait un pouvoir discriminant supérieur par rapport au modèle Cox classique, car il démêle les relations non linéaires entre les covariables cliniques complexes et leurs risques.Vers un modèle d'apprentissage en profondeur étendu pour intégrer des covariables dépendantes du temps telles que les signes vitaux et les caractéristiques de grande dimension telles que les images tomodensitométriques ou radiographiques.
Wang et al. (2021a)5 hôpitaux pour la plupart des hôpitaux de Wuhan, les autres des hôpitaux de Pékin.multimédia images CT. 850 patients COVID-19 vs 541 non COVID-1920 février 2020i) classification : ResNet-50, réseaux Inception, DPN-92 et Attention ResNet-50 ii) segmentation : réseaux entièrement convolutifs (FCN-8s), U-Net, V-Net et 3D U-Net++.meilleur AUC : 0.991, avec 3D Unet++ & ResNet-50Expérience dans la construction et le déploiement d'un système d'IAi) Ne fonctionne pas bien lorsqu'il y avait plusieurs types de lésions, ou avec des artéfacts métalliques ou de mouvement importants, ii) Le système est trop dépendant d'images CT entièrement annotées.

Les horaires et les données des articles de recherche analysés sont indiqués dans le tableau. On peut observer qu'à ce stade de la pandémie, la plupart des travaux se concentrent sur la prédiction de la diffusion de l'infection et le diagnostic précoce de la pneumonie induite par le SRAS-CoV-2. De plus, il convient de noter que, depuis les premiers foyers survenus en Chine, un grand nombre des jeux de données utilisés provenaient de ce pays.

Tableau 3

Résumé des articles de recherche sélectionnés sur COVID-19 et des données utilisées dans ces études

RéférenceBase de donnéesDonnées COVID19Intervalle de tempsMéthode AI/MLPerformancePertinenceDéfaut
Car et al. (2020)JHU CSSEdes séries chronologiques. patients infectés, guéris et décédés. 20 706 points de données pour 406 emplacements22 janvier – 12 mars 2020Régresseur MLP. BFGS à mémoire limitée (algorithme Broyden𠄿letcher–Goldfarb–Shanno)R 2 (confirmé) : 0,94 R 2 (récupéré) : 0,781 R 2 (décédé) : 0.986 à la validation des 5 croisésModèle de nouvelles infections virales avec des données géographiques et temporelles en entrée. Temps d'entraînement moyen de 2357 min sur 16 nœuds HPC à 48 threads, pour une validation croisée 5 fois et une recherche de grille de 5376 éléments.Les modèles peuvent être comparés à diverses maladies infectieuses. D'autres approches devraient être appliquées pour gagner en explicabilité.
Zhu et al. (2020)Appareil portable Huamides séries chronologiques. Données physiologiques. 1,3 million d'utilisateurs (avec ou sans COVID-19)1 juil. 2017 – 8 avr. 2020Modèle de régression combinant des caractéristiques catégorielles éparses et des caractéristiques numériques denses (CDNet), qui concatène 2 sous-réseaux : CatNN et DenNNCoefficient de Pearson ρ: 0.68La prédiction utilisant des données physiologiques dynamiques peut avoir un avantage dans la reconnaissance de l'épidémie d'infection.La validité de la description statistique dépend à la fois de l'échelle et de la diversité des utilisateurs.
Ghamizi et al. (2020)Rapports de mobilité de Googledes séries chronologiques. 32 caractéristiques (évolutions de la mobilité dans le temps et caractéristiques démographiques) pour 97 pays différents. 4 625 entrées de 32 fonctionnalités chacune3 janv. – 29 avr. 2020Réseau de neurones Feed-Forward (FFNN)R 2 : 0.97 contre R 2 (LSTM) : 0.95FFNN fournit des prédictions précises et interprétablesmeilleure ingénierie des fonctionnalités ou recherche d'architecture neuronale (avec CNN ou RNN)
Mackey et al. (2020)Twitter et Instagramtexte. Ventes de produits liés au COVID-19. 1 042 tweets uniques et 596 publications Instagram5 février – 7 mai 2020PNL & RNN et LSTMASC : 94� (basé sur Li et al. (2019))Identifié plus de 1 000 postes de vente suspectsLes méthodes multimodales qui pourraient analyser et distinguer à la fois le texte et l'image n'ont pas été utilisées.
Murphy et al. (2020)Pays-Bas Hôpitauximages. Radiographies pulmonaires. 994 images dont 512 images de sujets positifs au COVID-194 mars – 6 avr. 2020CAD4COVID-Xray, basé sur CAD4TB v6 - un système commercial d'apprentissage en profondeurASC : 0,81 Spéc : 78 % Sens : 75 %Performances comparées à 6 lecteurs indépendantsNécessité de prendre en compte les détails relatifs au patient.
Ls et al. (2020)2 hôpitaux en Chineimages. tomodensitométrie. 408 patients COVID-191 janv. – 18 mars 2020ResNet34 en tant que modèle de base pour la procédure de formation du cadre d'apprentissage à plusieurs instances (MIL)(ROC) ASC : 0,987 ACC : 97,4 % sur validation croisée 5 foisLe modèle peut être utilisé comme un outil pour la prédiction du pronostic. Validation d'un modèle prédictif basé sur MIL en utilisant l'imagerie CT.i) La taille de l'échantillon était relativement petite ii) Manque de transparence et d'interprétabilité (comme tous les modèles DL)
Zhang et al. (2020)Centres de Wuhan et de l'Équateur Ensemble de données Radiopaediaimages. images CT. 2 246 patients dont 752 patients COVID-19 utilisés pour la formation25 janvier – 25 mars 2020(i) réseaux de segmentation : U-net, DRUNET, FCN SegNet et DeepLabv3.(ii) Réseaux de classification : ResNet-18ACC =�,71 % Sens =�,50 %, Spéc =�,0%Performance comparable à celle des radiologues en exercice.Affiner le modèle de pronostic clinique avec des seuils de risque variables associés à différents pronostics cliniques.
Abdel-Basset et al. (2021a)Société italienne de radiologie médicale et interventionnelleimages. images CT. 80 patients COVID-19 utilisés pour la segmentation d'imagesavant le 11 avr. 2020Segmentation à faible intensité (FSS) avec quatre blocs d'encodeur basés sur Res2Net-50 pré-entraînéDSC : 0,798 Sens : 0,803, Spéc : 0,986Le modèle pourrait surpasser toutes les approches de plusieurs métriques d'évaluationi) Amélioration globale des paramètres pour atteindre les résultats les plus élevés, ii) Les prédictions manquent de quantification laborieuse des incertitudes, incapables d'obtenir une segmentation très précise iii) La responsabilité et l'interprétabilité doivent être améliorées.
Roy et al. (2020)ICLUS-DBvidéo. Vidéos d'échographie pulmonaire (LUS). 35 patients (dont 17 patients COVID-19) générant 277 vidéosmars – avr. 2020ConvNet similaire à van Sloun et Demi (2020), B-line, STN et CNN sont formés conjointement à l'aide de l'optimiseur AdamACC : 96 % binaire Score de dés : 0,75i) Ensemble de données entièrement annoté d'images LUS, ii) Prédit le score de gravité de la maladie associé à une trame d'entrée.i) Tirer parti de la structure temporelle entre les trames dans un modèle séquentiel ii) L'ensemble de données doit être plus large et plus équilibré
Banerjee et al. (2020)Hôpital au Brésildes séries chronologiques. données cliniques des tests de laboratoire : âge, résultat du test SARS-CoV-2 et numération formule sanguine standard (15 caractéristiques). patients individuels, dont 81 patients COVID-1928 mars – 3 avr. 2020i) ANN ii) forêt aléatoire (RF) et Lasso-elastic-net régularisé linéaire généralisé (glmnet) iii) régression logistique simple (LR)(i) (ROC) ASC 0,95 ± 0,08 (ii) (ROC) ASC : 94 % (iii) (ROC) ASC : 81 %Améliorer le dépistage initial des patients avec des outils de diagnostic basés sur la PCR limités.Les forêts aléatoires et glmnet offrent un aperçu plus clair des facteurs les plus pertinents, par rapport à ANN, ainsi qu'un meilleur indicateur sur la façon dont une décision a été prise.
Pan et al. (2021)2 centres d'isolement de l'Université des sciences et technologies de Huazhong à Wuhanmultimédia. tomodensitométrie thoracique. 931 COVID-19 confirmés vs 1340 personnes en bonne santéJusqu'au 31 mars 2020COVID-Lesion Net basé sur une combinaison de réseaux U-net et entièrement convolutifsCoefficient de dés : 82,08 % 85,00 % pour la formationQuantification basée sur l'apprentissage profond pour COVID-19, quantification du volume pulmonaire et du pourcentage d'implication pulmonaire.i) Performance mesurée par rapport à aucune norme pour la quantification de la zone de lésion pour la pneumonie virale, ii) Pas de formation multicentrique
Ismaël et ᗮngür (2021)trois sources différentes (Cohen, Kaggle, assistant de radiologie)multimédia Images radiographiques thoraciques. 180 images COVID-19 et 200 radiographies pulmonaires normales (saines)10 mars 2020modèle de fonctionnalités profondes (ResNet50) et SVM avec noyau linéaire94,7% précision autre : 89,1%- 90,3%Trois méthodes profondes de CNN ont été appliquées. En plus des différentes fonctions du noyau, les fonctionnalités profondes ont été classées via SVM.Plus de tests nécessaires.
Lopez-Rincon et al. (2021)Base de données NCBI sur la variation génétique et NGDC (National Genomics Data Center)séquences. 583 séquences (fichiers *.fasta) du NGDC15 mars 2020CNNPrécision de 98,73Le réseau a pu découvrir systématiquement des séquences significatives pour isoler les différentes classes de virus.Des tests supplémentaires sont nécessaires

Lors du premier pic de la pandémie de COVID-19 (stade 3), les principaux pays touchés étaient en Europe et en Amérique et donc les bases de données proviennent généralement de ces zones. Les premiers exemples d'analyse de réseaux sociaux sont rapportés, avec un nombre limité d'instances. Les fenêtres temporelles pendant lesquelles les données ont été recueillies s'étendent jusqu'en avril 2020. Malgré l'intervalle de temps rapporté pour Mackey et al. (2020), la relation avec le stade 3 pour le COVID-19 est due au fait qu'aux États-Unis, à cette époque, la phase pandémique en était encore aux premiers stades

Tableau 4

Calendrier et disponibilité des données dans les articles de recherche après le premier pic de la pandémie de COVID-19 (stade 4)

RéférenceBase de donnéesDonnées COVID19Intervalle de tempsMéthode AI/MLPerformancePertinenceDéfaut
Doanvo et al. (2020)Ensemble de données CORD-19 (Lu Wang et al. 2020)texte. collection de documents de recherche. 48 670 articles COVID-19 contre 137 326 articles au totalavant le 31 juil. 2020PNL & SVD & LDAN / A.Le ML explore les informations sémantiques latentes pour reconnaître les modèles cachés et ne s'appuie sur aucune connaissance a priori des sujets.LDA est un algorithme probabiliste non supervisé et n'a pas la qualité d'une méthode supervisée.
Ramchandani et al. (2020)SafeGraph Mapbox et le référentiel GitHub du New York Timesdes séries chronologiques. Caractéristiques liées aux attributs de la population, aux activités de la population, à la mobilité et à la propagation de la maladie. 2 100 caractéristiques sociodémographiques et autres5 avril – 28 juin 2020modèle d'apprentissage en profondeur basé sur le cadre de haut niveau de DeepFMCAC moyen : 63,7%La méthode peut dériver des plongements à partir de séries chronologiques multivariées et de données de séries chronologiques spatiales multivariées en utilisant à la fois la structure temporelle et spatiale dans une large gamme d'entités en entrée.Aucune méthode appropriée pour interpréter les interactions de second ordre les interactions d'ordre supérieur ne sont saisies qu'indirectement et ne peuvent donc pas être facilement interprétées.
Kim et al. (2020)Google Search Trend et ensembles de données dans Description des données seconde.des séries chronologiques. Séries chronologiques intra-pays et inter-pays. Cas quotidiens et décès avec anxiété tendance de recherche entrants en itinérance quotidienne, compagnies aériennes arrivant, nombre de cas importés22 mars – 5 mai 2020Architecture hiérarchique à deux niveaux du modèle Hi-COVIDNet, qui se compose principalement de l'encodeur au niveau du pays et de l'encodeur au niveau du continent.RMSE : 0,4045 RMSE (ARIMA) : 0,4931 RMSE (multiv. LSTM) : 0,5188Exploitez la hiérarchie géographique ainsi qu'une fonction objectif hiérarchique pour surmonter une période de collecte de données relativement courte pour COVID-19.Des tests supplémentaires sont nécessaires, sur les données d'autres pays.
Minaee et al. (2020)Collecte de données d'images COVID-19 (Cohen et al. 2020b) Ensembles de données Chestxray et ChexPertimages. Images aux rayons X. 5 184 images radiographiques dont 184 COVID-19avant le 3 mai 2020ResNet18, ResNet50, SqueezeNet et DenseNet-161Spécifications du modèle : ResNet18 : 90,7% ±𠂑.1% ResNet50 : 89,6% ±𠂑.1% SqueezeNet : 92,9% ±𠂐.9% Densenet-121 : 75,1% ±𠂑.5%Mise à disposition publique d'un ensemble de données d'images de 5 000. Apprentissage par transfert utilisé et mise au point sur des modèles convolutifs pré-entraînésSeule référence pour les futurs travaux et comparaisons. Il convient de noter que, compte tenu de la quantité de données étiquetées, le résultat des travaux est encore préliminaire et une conclusion plus définitive nécessite davantage de tests sur un ensemble de données plus important de la radiographie étiquetée COVID-19 images.
Horry et al. (2020)Collecte de données d'images COVID-19 (Cohen et al. 2020b) Ensembles de données COVID-CT et POCOVID-Netimages. a) des radiographies pulmonaires, b) des tomodensitogrammes et c) des images échographiques. a) 729 patients dont 139 patients COVID-19 b) 746 patients dont 349 patients COVID-19 c) 911 patients dont 339 patients COVID-19avant le 11 mai 2020Sélection de modèle avec VGG19 et autresScore F1 : a) 0,84-0,89, b) 0,81-0,83 c) 0,96-1,00Fourniture d'un pipeline de prétraitement visant à supprimer le biais d'échantillonnage et à améliorer la qualité de l'image. A montré des modèles pré-entraînés réglés efficacement pour les échantillons d'images échographiques.Nécessite une grande prudence dans le développement de modèles de diagnostic clinique à l'aide de l'ensemble de données d'images COVID-19 disponible. Prolonger l'étude avec la fusion de données multimodales. Un ensemble de données hautement organisé n'est pas comparable à l'ensemble de données de radiographie pulmonaire COVID-19 disponible.
Jin et al. (2020)3 centres à Wuhan Bases de données MosMedData, Tianchi-Alibaba, LIDC–IDRIimages. tomodensitométrie. 11 356 tomodensitogrammes de 9 025 sujets dont 2 529 étaient des scans COVID-195 février – 29 mars 2020i) Module de segmentation basé sur U-Net, ii) Backbone de réseau profond ResNet152, iii) Grad-CAM guidé pour les régions attentionnelles.ASC : 0.9745 - 0.9885 Dés (segmentation) : 92,55%Le système d'IA surpasse tous les radiologues. Contrairement aux approches classiques d'apprentissage en profondeur de la boîte noire, il peut décoder une représentation efficace de COVID-19 sur l'imagerie CT.Grad-CAM guidé ne peut extraire que la région d'attention plutôt que la segmentation de la lésion. Il est important de collecter plus de données et de créer un large ensemble de données avec des informations CT et cliniques liées pour permettre une analyse diagnostique supplémentaire.
Sadefo Kamdem et al. (2020)Base de données Boursoramades séries chronologiques. Prix ​​quotidiens pour 4 produits commerciaux Cas confirmés et nombre total de décès dans 2 paysavant le 24 avr. 2020Modèle ARIMA-WBF et modèle LSTMCAC : 92,13 % - 97,45 %Prévision des prix des matières premières et examen de l'effet du coronavirus sur les fluctuations des prix des matières premières.Application de l'apprentissage par renforcement. Comportement de surréaction des prix non analysé.
Ou et al. (2020)Ensembles de données hebdomadaires sur la demande d'essence de l'EIA en Disponibilité des données seconde.des séries chronologiques. Données sur la pandémie de COVID-19, politiques gouvernementales et informations démographiques15 février – 5 juin 2020Modèle PODA, a 42 entrées, 2 couches et 25 nœuds cachés pour chaque coucheRMSE : 6,2 - 65,2Cadre pour étudier et projeter la demande d'essence à moteur en fonction des impacts de la pandémie de COVID-19.Le modèle ne prend pas en compte l'effet dynamique de la mobilité des déplacements et suppose que la demande d'essence des véhicules légers et d'autres secteurs est constante tout au long de la pandémie.
Wang et al. (2021b)Défi de détection de la pneumonie RSNA & Ensemble de données Cohenmultimédia radiographie pulmonaire. 3545 radiographies pulmonaires, avec 225 COVID-1925 janvier - 1 mai 2020ResNet50 + réseau pyramidal de fonctionnalités (FPN)précision de 95,12 %i) Identifier automatiquement les patients COVID-19 avec des rayons X. ii) Détection pulmonaire automatique. iii) Proposer un outil de CAO d'aide au traitement des données de radiographie pulmonaire à grande échelleManque d'interprétabilité et classification de la maladie non abordée par gravité.
Gupta et al. (2021)Cinq maladies virales différentes (c.-à-d. Covid-19, Ebola, MERS, SRAS, grippe porcine)des séries chronologiques Nombre récupéré de cas touchés et de décès dus à la série chronologique de la maladie à coronavirus 2019 (COVID-19)22 janvier - 9 octobre 2020Couches denses avec LSTMRMSE : 0,0766-0,0533 RMSE (SVM) : 0,2801-0,4323 RMSE (DT) : 0,1108-0,1223Le modèle DL proposé a été comparé à d'autres méthodes de prédiction populaires qui indiquent un RMSE inférieur.Pour que le modèle fonctionne parfaitement, les données doivent être exactes.

Les intervalles de temps s'étendent généralement de mars à octobre 2020. Il existe une grande variété d'ensembles de données, avec différents types d'images de diagnostic et de données sociales. En particulier, les images proviennent à la fois de la tomodensitométrie et des rayons X, et de nombreux chercheurs utilisent le Cohen et al. (2020b) Ensemble de données de rayons X. À ce stade, les données sont disponibles gratuitement et ne sont pas générées uniquement par les hôpitaux : une grande variété de données sociales peut être trouvée, par ex. englobant la demande d'essence Ou et al. (2020) et nombre de visiteurs entrants dans un pays Kim et al. (2020) . Le positionnement temporel différent de Jin et al. (2020) concernant le stade 4 de la subdivision temporelle proposée, se trouve dans le fait que les auteurs se réfèrent à la situation de leur pays, la Chine, où la pandémie était déjà dans un état avancé par rapport au reste du monde

Chaque tableau présentera quels sont, à notre avis, les articles les plus remarquables pour chaque phase pandémique. Le fait qu'un article appartient à une phase spécifique est basé sur la date à laquelle les données ont été analysées par les auteurs. Les caractéristiques de chaque article, contenues dans les tableaux à la fin des sous-sections suivantes, peuvent être divisées en trois macro-domaines : (i) Informations relatives aux données, (ii) Informations relatives à l'IA, et enfin (iii) Avantages et inconvénients. En ce qui concerne le premier domaine, nous rapportons trois colonnes, une sur l'ensemble de données, la seconde sur le type de données, concernant la catégorisation rapportée dans le tableau & # x000a0 1 , et l'intervalle de temps dans lequel les données liées au COVID-19 ont été collectées. Le deuxième domaine rapporte un bref commentaire sur le type de modèle ML ou DL utilisé, ou ce qui pourrait être considéré plus généralement comme appartenant à l'IA, et les performances obtenues par les auteurs. Ceux-ci sont rapportés pour la tâche de classification et pour la tâche de régression. En ce qui concerne le premier, nous enregistrons soit la zone de caractéristiques de fonctionnement du récepteur sous la courbe (ROC-AUC), mieux connue sous le nom d'AUC, qui offre une mesure de performance globale indiquant la chance que le modèle évalue correctement les occurrences de vrais positifs et de faux négatifs et aussi la Précision (ACC), qui est le pourcentage d'occurrences prédites correctes (vrai positif et vrai négatif). La motivation de la présence de cette métrique de précision, bien qu'elle ne soit pas idéale pour les classes déséquilibrées, est que parfois c'est la seule mesure rapportée sur un papier.

En ce qui concerne les performances de prédiction des séries chronologiques, nous rapportons l'erreur Root-Mean-Square (RMSE) qui mesure à quelle distance du modèle se trouvent les points de données réels. Enfin, comme pour le domaine (iii), nous montrons quels sont les résultats les plus pertinents pour chaque article. De plus, les limites et les inconvénients ainsi que les extensions possibles à faire dans des travaux ultérieurs sont brièvement discutés pour chaque article dans la dernière colonne.

Pour mieux organiser et expliquer toutes les applications possibles lors d'une pandémie de méthodologies d'IA, nous les avons divisées en quatre domaines d'application principaux : Les domaines illustrés sur la figure   3 englobent deux piliers de l'IA : action et détection - liés à deux contextes, à savoir société et santé. À chaque étape temporelle, différentes dynamiques pandémiques agissent sur l'environnement, déterminant les conséquences sur le comportement social et l'état de santé. Des stratégies fiables pour résoudre les problèmes de dynamique doivent être conçues et des informations sur les phénoménologies pandémiques doivent être collectées et analysées. Dans cette perspective, une phase de détection préside à la phase d'actions. Dans le premier cas, les données sont collectées et organisées, tandis que dans le second, les sorties du modèle sont utilisées pour produire un effet sur l'environnement, par ex. simplifier une démarche diagnostique ou développer une stratégie prédictive.

L'IA peut être définie en termes d'étapes d'observation et d'action. Dans le contexte d'une pandémie, l'IA est appliquée dans deux domaines principaux, à savoir la recherche médicale et le contexte social. Par conséquent, afin d'étudier l'IA appliquée pendant une pandémie, nous devons nous concentrer sur quatre domaines : la détection de la maladie (diagnostic), l'observation de la dynamique sociale (prédictions), les actions médicales (traitements) et la gestion sociale (traçage). Les points tracés sur le graphique polaire représentent les articles de la littérature. Les positions relatives à combien chaque article que nous avons analysé nous avons considéré appartenir à chacun des domaines, dans les 3 étapes centrales de la pandémie

La figure  3 représente notre cadre mentionné précédemment. Le chiffre est généré en évaluant la confiance avec laquelle un document peut être attribué à un domaine spécifique. Ensuite, ces papiers sont affichés sur un tracé de coordonnées polaires, où l'intervalle de rayon indique la durée temporelle de la pandémie, et l'angle évalue les interconnexions possibles d'un papier par rapport aux autres zones. La distance inter-annulaire est utilisée pour traiter les interconnexions entre les quadrants opposés.

Plus en détail, chaque papier est identifié par (ρ,𝜃), où ρ = je + r, où je ∈ [2,3,4] est la valeur discrète indiquant le stade de la pandémie sur la ligne de temps, r ∈ (0,0,5) évalue la confiance d'appartenir à ce quadrant ou à l'opposé. Alors que 𝜃 = q π / 2 − π / 4 + 𝜃 ′ π / 4 est construit de telle manière que q ∈ [1,2,3,4] fixe le milieu de chaque quadrant, et 𝜃 ′ ∈ ( − 1 , 1 ) indique la confiance de ce papier appartenant à ce quadrant 𝜃 ′ = 0 ou à l'un des quadrants contigus.

En lisant à partir du quadrant supérieur droit et dans le sens des aiguilles d'une montre, les articles rapportés discutent principalement des problèmes liés à la détection de la dynamique sociale (SD), donnant un aperçu des mesures qui pourraient être prises pendant la pandémie. Dans le secteur TA (où il y a le moins d'articles), ils ont eu tendance à exprimer l'AT suggérée par l'information médicale dans les phases initiales. De plus, en considérant le secteur MA, la plupart des articles dans les premières phases se sont concentrés sur les actions à impliquer pour COVID, sur la base des données du COVID-19, tandis que dans la dernière phase de la pandémie, ces actions étaient également entrelacées avec des actions dépendantes sociales. . Enfin, au fur et à mesure que la pandémie progressait, le dernier domaine, DD, s'est davantage concentré sur la proposition d'outils spécifiques pour la détection de COVID-19.

Compte tenu des prémisses ci-dessus, dans les sections suivantes, nous discutons des endroits où l'IA peut intervenir pendant les différentes périodes d'une pandémie, en nous concentrant sur ce qui s'est passé pendant l'urgence COVID-19. Les principales implications pour la société et les systèmes de santé sont examinées pour chacune des phases pandémiques afin d'essayer de comprendre comment ce domaine de recherche scientifique se rapporte aux difficultés et aux nécessités qui surviennent lors d'une crise pandémique.

Avant une pandémie

L'incidence d'une pandémie peut-elle être évitée? Il est impossible de donner une réponse définitive à cette question, mais nous pouvons discuter des outils et des méthodologies à mettre en place pour empêcher la diffusion généralisée d'une épidémie. Une maladie infectieuse survient lorsqu'un agent pathogène contamine une personne transmise par une autre personne ou, parfois, lorsqu'il se propage de son hôte d'origine à un nouvel hôte appartenant à une autre espèce. Ce dernier est l'origine présumée du Sars-CoV-2, le virus causant le COVID-19, qui a probablement sauté de chauves-souris à l'homme via un mammifère intermédiaire (Chellasamy et al. 2020). Selon les phases 1 à 3 de la procédure OMS, à laquelle correspond cette première période analysée, la prévention d'une telle situation dépend d'une organisation de santé prête à passer à l'échelle et de systèmes de surveillance de la santé animale efficaces. Dans ce contexte, la surveillance des maladies infectieuses est un processus essentiel et complet dans lequel les informations sur les épidémies et les vecteurs d'infection sont continuellement et systématiquement collectées, analysées et interprétées (Chae et al. 2018).

Les stratégies de surveillance doivent être accompagnées de bases de données centralisées et facilement accessibles englobant des données épidémiologiques, cliniques et génétiques pour élaborer des stratégies optimisant les opérations hospitalières, le diagnostic, la prévention et la thérapeutique (Alimadadi et al. 2020). Suite à l'épidémie de grippe aviaire H5N1, plus de 70 scientifiques ont signé une lettre, Bogner et al. (2006), préconisant la création de l'Initiative mondiale de partage des données sur la grippe aviaire (GISAID), permettant ainsi d'obtenir un accès mondial à de nouvelles données sur les séquences virales. Ces bases de données, immédiatement mises à jour et surveillées en permanence, permettent aux chercheurs de se préparer à la prochaine épidémie.Un exemple notable d'efficacité dans l'exploitation de sources de données différentes et bien organisées est fourni par la société canadienne BlueDot, qui a obtenu une reconnaissance opportune de l'infection COVID-19 en utilisant l'IA et sa capacité à examiner plus de 100 ensembles de données simultanément. À Wuhan, en Chine, le 31 décembre 2019, BlueDot a souligné comme important ce qui n'était alors considéré qu'une épidémie de pneumonie et a prédit l'évolution probable de la diffusion de la maladie (Bowles 2020). Une fois les données collectées, les algorithmes d'IA peuvent être utilisés comme outil de dépistage initial des cas d'infection suspectés. Les patients présentant un risque plus élevé peuvent recevoir des tests de confirmation en laboratoire ou être immédiatement isolés (Ting et al. 2020), et le diagnostic moléculaire de la réponse médicamenteuse peut commencer au premier stade d'une éventuelle pandémie (Esteva et al. 2019). De plus, grâce au séquençage génétique du virus, les données les plus précoces possibles pour l'enquête sur la réutilisation des médicaments sont déjà disponibles avant tout type d'épidémie (Ekins et al. 2019).

La mise en œuvre de routines quotidiennes pour une analyse rapide des données cliniques, telles qu'un diagnostic CT automatique, peut aider les systèmes de santé. De plus, la mise en œuvre de stratégies de surveillance sur différentes couches de la société peut permettre une procédure non invasive dans la détection précoce d'une situation épidémique potentielle. Par exemple, SENTINEL de ᆞrban et al. (2019), est une application de surveillance syndromique via l'analyse des médias sociaux, fournissant une détection d'alerte précoce et une connaissance de la situation en recueillant des données provenant de plusieurs sources. Ce cadre, développé avec un logiciel open source, utilise une méthodologie DL pour classer les tweets et les articles de presse liés aux symptômes de santé.

Les stratégies de détection axées sur les contextes de maladies animales infectieuses peuvent empêcher tout saut entre espèces et la diffusion éventuelle d'une infection virale. Des exemples dans ce domaine sont le service automatisé de notification et de surveillance des moustiques vecteurs, qui peut être utilisé pour suivre de nombreux vecteurs potentiels de maladies graves et d'agents pathogènes comme le paludisme, le virus du Nil occidental, le virus Zika, le chikungunya, la fièvre jaune, la dengue, la filariose lymphatique. et de nombreuses formes d'encéphalite (Fanioudakis et al. 2018). En outre, les méthodologies DL pour la détection précoce des maladies respiratoires chez les porcs en croissance basées sur les données de capteurs environnementaux sont présentées dans Cowton et al. (2018).

Compte tenu de la littérature citée, l'IA pourrait avoir un impact significatif dans la prévention du déclenchement d'une pandémie en adoptant des méthodologies et des outils polyvalents capables de s'adapter rapidement aux scénarios critiques. La surveillance des maladies infectieuses, la réorientation des médicaments, l'analyse rapide et précise des données, l'analyse des médias sociaux et les méthodologies d'apprentissage pour la détection précoce des maladies humaines sont des sujets où l'IA pourrait jouer un rôle crucial.

Au bord d'une pandémie

À ce stade, des épidémies de grippe auront été confirmées dans plusieurs régions du monde et le risque de pandémie augmente. Selon les directives de l'OMS, les pays où l'infection se propage doivent appliquer des stratégies de confinement, tandis que les régions non touchées doivent être prêtes à une réponse immédiate. Cette phase est caractérisée par une connaissance limitée de la nouvelle épidémie. La grande incertitude et la dynamique sociopolitique complexe rendent difficile la réalisation de prédictions fiables et la conception de stratégies de contrôle précises. Hormis les ensembles de données publiques traitant de problèmes similaires, peu de données sont disponibles.

Un bref résumé de la littérature explorée sur cette étape peut être trouvé dans le tableau  2 .

Dans le cas spécifique de la pandémie de COVID-19, la première information scientifique accessible était la séquence entière du génome du SRAS-CoV-2, utilisée pour identifier les médicaments potentiels pour son traitement (Beck et al. 2020). Sur la base de ces données, la détection de candidats médicaments et d'éventuelles combinaisons de médicaments ciblant le virus COVID-19 a été explorée par le biais d'approches de réorientation des médicaments (Zhou et al. 2020a, 2020b) pour réduire le temps et le coût par rapport à l'ex-Novo. découverte de médicament. Dans le même temps, grâce aux applications de l'IA, des techniques ont été développées pour acquérir une compréhension plus approfondie de l'agent pathogène : par exemple, des méthodologies qui peuvent fournir une classification rapide de nouveaux virus (Randhawa et al. 2020), en identifiant leur signatures génomiques, peuvent être utilisées pour reconnaître des similitudes avec d'autres agents pathogènes connus.

Une fois que les mécanismes de base de la transmission ont été identifiés, les techniques de Deep Learning peuvent être appliquées comme outils d'aide pour contenir l'infection. En particulier, en ce qui concerne le contrôle du comportement humain, qui n'est pas strictement lié à une pandémie spécifique, des applications préexistantes peuvent être réutilisées pour le suivi de l'utilisation des masques et la reconnaissance à distance (Balakreshnan et al. 2020), ou pour identifier les personnes qui toussent en utilisant données collectées avec des drones ou des caméras de sécurité (Ramadass et Arunachalam 2020). A titre d'exemple, Loey et al. (2021) ont proposé un modèle hybride pour la détection de masques faciaux utilisant l'apprentissage par transfert en profondeur et les classificateurs ML classiques. Simultanément, avec la propagation rapide de l'épidémie et l'effet des mesures restrictives devenant mesurables, des informations sur la croissance temporelle de l'infection sont désormais disponibles. Des techniques d'augmentation de données et des modèles de prévision peuvent être appliqués pour obtenir des prédictions sur le spectre des scénarios possibles (Fong et al. 2020a Fong et al. 2020c) afin d'augmenter la fiabilité des activités de planification concernant les nouvelles mesures de confinement et l'organisation des structures de soins.

Les hôpitaux et les cliniques sont de plus en plus impliqués dans la riposte aux épidémies, et les technologies intelligentes sont de plus en plus importantes pour obtenir un diagnostic plus rapide et améliorer les fonctionnalités de la pratique médicale. Dans le cas de la pandémie de COVID-19, des outils de diagnostic d'IA, notamment en reconnaissance d'images, ont été investigués. Les chercheurs ont créé des modèles qui distinguent automatiquement la pneumonie causée par le virus SARS-CoV-2 d'autres maladies pulmonaires, en utilisant des données spécifiquement obtenues dans leurs hôpitaux, principalement collectées en Chine (voir le tableau  2 ) (Wang et al. 2021a Wang et al 2020 Kang et al.2020 Li et al.2020). Un exemple remarquable est proposé par Xu et al. (2020) : ils ont développé un modèle de dépistage précoce basé sur la DL capable de différencier la pneumonie COVID-19 de la pneumonie grippale A (IAVP) et des cas sains via des images CT pulmonaires. Cette technique s'est avérée être un outil de diagnostic de secours prometteur pour les médecins cliniciens de première ligne. De plus, la disponibilité de différents types de données permet d'améliorer les performances grâce à des pratiques de fusion d'informations, telles que la combinaison de TDM avec des symptômes cliniques, l'historique d'exposition et des tests de laboratoire (Mei et al. 2020).

Abdel-Basset et al. (2020) proposent une approche hybride pour surmonter le problème de segmentation d'image pour les images radiographiques thoraciques COVID-19 basée sur l'intégration de stratégies méta-heuristiques pour maximiser l'entropie de Kapur.

Lorsque le nombre de cas critiques explose de façon exponentielle, des problèmes supplémentaires se posent : il devient essentiel de séparer les patients non infectés des patients infectés pour éviter de nouvelles épidémies, en particulier dans les établissements de santé fréquentés par des médecins. Par conséquent, des procédures de triage précoce efficaces doivent être mises en œuvre, par exemple, en utilisant l'IA pour prédire la probabilité de développement d'une maladie critique chez les patients COVID-19 en fonction de leurs caractéristiques cliniques à l'entrée (Liang et al. 2020). Par ailleurs, la gestion des unités de soins intensifs (USI) constitue une autre tâche cruciale : il commence à y avoir un grand nombre de patients critiques et, compte tenu du manque de médecins et d'équipements, des méthodes efficaces d'organisation du personnel et des thérapies sont nécessaires. Pour faciliter les décisions cliniques, des modèles de gestion des patients qui exploitent les appareils IoT capables de collecter des données physiologiques à partir de ventilateurs et d'autres appareils médicaux ont été développés pendant l'urgence COVID-19 (Rehm et al. 2020).

En ce qui concerne le développement de vaccins, Crooke et al. (2020) ont été les premiers à proposer un flux de travail ML (basé sur une combinaison d'un modèle de Markov caché et d'une méthode d'échelle de propension) pour analyser le protéome du SRAS-CoV-2, disponible d'ici le 27 février 2020, et identifier d'éventuelles cellules T et des épitopes de cellules B, qui pourraient servir à la production de vaccins à base de peptides.

L'incidence de la pandémie de COVID-19 nous a appris que les connaissances sur les nouvelles maladies sont limitées. L'IA fournit un bon exemple de la manière dont un soutien peut être apporté à la planification de stratégies efficaces en cas d'urgence sanitaire. Dans le détail, dans le contexte médical, le développement de méthodes pour une compréhension approfondie de l'agent pathogène et de modèles basés sur l'apprentissage capables de reconnaître la pneumonie COVID-19 sont des domaines de recherche importants à étudier. Concernant la société en général, les outils de surveillance de l'utilisation des masques et de reconnaissance des distances et les modèles de prévision pour obtenir des prédictions sur les scénarios futurs possibles et l'occupation des installations médicales sont des sujets sur lesquels l'IA pourrait avoir un impact significatif.

La pandémie commence : jusqu'au premier pic

Le 11 mars 2020, le directeur de l'OMS, le Dr Ghebreyesus, a utilisé pour la première fois le mot pandémie pour caractériser l'épidémie de COVID-19. Des pays comme l'Italie, l'Iran, la Corée du Sud et le Japon avaient enregistré un nombre croissant de cas à ce moment-là, le virus se propageant dans plus de 100 pays et infectant plus de 120 000 personnes (McNeil 2020). Plusieurs efforts de collaboration sur la société et les centres médicaux et de recherche ont été nécessaires pour faire face à cet enjeu mondial. Dans le tableau  3, le lecteur peut trouver un aperçu des articles discutés dans cette sous-section.

L'un des principaux enjeux de cette phase est de minimiser l'impact de la pandémie sur les systèmes de santé. L'importance des mesures de confinement devient centrale pour prévenir les situations catastrophiques, et des outils pour améliorer les estimations du nombre de personnes infectées dans des zones géographiques spécifiques peuvent permettre une planification judicieuse des unités de soins intensifs et des structures d'urgence (Car et al. 2020). Dans ces différents contextes, des méthodologies basées sur des modèles d'IA commencent à être développées pour soutenir la tâche de vérification de quarantaine. Dans un premier temps, l'IA peut prendre en charge les systèmes de vidéosurveillance pour vérifier l'utilisation correcte des masques ou améliorer la surveillance de la santé publique grâce aux données IoT (Zhu et al. 2020). Des modèles capables d'identifier des schémas irréguliers et les premiers signes de l'apparition de la pandémie, comme dans Karadayi et al. (2020), sont également développés pour concevoir des stratégies visant à prévenir l'effondrement des établissements de santé (Car et al. 2020). En outre, des boîtes à outils de simulation, fournissant des estimations des paramètres épidémiologiques combinées à des composants recherchant les politiques de compromis optimales entre les contraintes et les objectifs des décideurs (Ghamizi et al. 2020), montrent comment les modèles d'IA peuvent être utilisés pour modéliser les problèmes liés à la propagation et l'impact des maladies infectieuses sur la base de données géographiques et temporelles comme entrées.

La première diffusion d'une pandémie dans un monde global hyper-connecté a non seulement ouvert de nouvelles formes de collaboration internationale, mais a également révélé de nouveaux défis à relever. La désinformation et les fausses nouvelles, les ventes frauduleuses de traitements suspects renforçant l'immunité et de produits liés à la santé, et les traitements médicaux non approuvés ont mis en évidence la nécessité de nouvelles politiques et de nouveaux systèmes capables de collecter, d'évaluer, de reconnaître et de signaler les nouvelles dangereuses et les produits contrefaits pour y remédier. nouveaux enjeux sociaux et économiques (Mackey et al. 2020). Les structures de santé sont aujourd'hui sous pression et, notamment dans les hôpitaux, des tâches telles que l'optimisation des procédures de diagnostic et l'isolement des patients infectés atteignent leur apogée.

Concernant COVID-19, le virus SARS-CoV-2 s'est avéré attaquer le plus souvent les poumons, provoquant des problèmes liés à la pneumonie. Par conséquent, le principal outil de diagnostic consiste en l'imagerie médicale pour ce type de maladie. Dans ce contexte, l'IA a trouvé une large applicabilité dans la tâche de diagnostic en raison des capacités bien connues des modèles DL, en particulier, à travailler dans le domaine de la segmentation et de la reconnaissance d'images. Grâce aux données collectées au cours des phases précédentes et aux efforts de collaboration de nombreux scientifiques du monde entier, certaines stratégies précédemment conjecturées peuvent désormais être appliquées dans des contextes réels. En ce qui concerne l'IA, le grand nombre d'images médicales collectées a par exemple permis aux médecins d'exploiter les images radiographiques (Dhiman et al. 2021). Ces examens sont plus économiques et expéditifs par rapport aux TDM pour diagnostiquer la maladie COVID-19 ici, les techniques d'apprentissage par transfert peuvent être exploitées. L'outil CAD4COVID-XRay (Murphy et al. 2020), développé par Thirona (Nimègue, Pays-Bas) et utilisé dans un premier temps pour aider au diagnostic de la tuberculose à partir d'images CXR, est désormais formé sur des images radiographiques thoraciques pour détecter le COVID-19 lié pneumonie. Ces performances du système d'IA dans la détection de COVID-19 se sont avérées comparables à celles de six experts indépendants du domaine. De plus, un travail récent d'Ismael et de ᗮngür (2021) a appliqué une technique DL spécifique, le ResNet50, sur 180 images radiographiques COVID-19. De plus, grâce à la disponibilité des rayons X dans les établissements de santé, ces systèmes peuvent être intégrés aux tomodensitomètres, tous deux couramment utilisés dans les hôpitaux de première ligne (Shi et al. 2020). La plus grande disponibilité de la tomodensitométrie a rendu possible des recherches intensives dans ce domaine en augmentant les données d'entrée et la qualité des prédictions et en permettant aux systèmes d'IA d'être ouvertement disponibles pour les praticiens du monde entier (Ls et al. 2020 Zhang et al. 2020). Une approche semi-supervisée de segmentation en quelques coups (FSS) de l'infection à 2019-nCov à partir de quelques quantités de tomodensitogrammes pulmonaires annotés a été développée par Abdel-Basset et al. (2021a), leur approche permet de surmonter la nécessité d'un énorme ensemble de données dans les phases de formation de DL Networks. Ils ont atteint un coefficient de similarité Dice (DSC) de 0,798. Pan et al. (2021) a développé COVID-Lesion Net basé sur une combinaison de réseaux U-net et entièrement convolutifs.

En plus de la précision mesurée des stratégies appliquées, dans cette phase d'une pandémie, le moment du diagnostic est également essentiel. Les diagnostics précoces permettent de planifier efficacement le tri des patients, de réduire la pression sur les structures médicales et de gérer les hospitalisations. Dans ce contexte, l'IA peut être appliquée à des examens rapides, tels que des images d'échographie pulmonaire (LUS) (Roy et al. 2020) ou des numérations globulaires (Banerjee et al. 2020), pour obtenir une estimation du degré de gravité de la maladie. , et ainsi organiser plus efficacement les admissions en USI.

Traiter les patients, cependant, rend le personnel hospitalier vulnérable à l'infection, et présente donc le risque de réduire la capacité du système de santé face à l'urgence pandémique. Les tâches essentielles, telles que la désinfection de l'environnement, exposent les travailleurs à des sites contaminés, augmentant la possibilité d'une nouvelle diffusion du virus. Cependant, grâce à l'IA, une solution partielle peut être trouvée dans la robotique, dont l'utilisation a été explorée lors de la crise du COVID-19 et parfois adoptée. C'est le cas d'un système de robot mobile de soins à la personne capable d'effectuer des fonctions d'assistance comme la désinfection des locaux et la surveillance de la température corporelle (Miseikis et al. ). Les applications de telles solutions robotiques, autonomes et/ou télécommandées, sur les tâches de nettoyage se sont principalement avérées rentables et sécurisées (Ramalingam et al. 2020) représentant ainsi un outil différent que l'IA peut mettre en place pour lutter contre une telle situation d'urgence mondiale.

Trouver une stratégie pour éviter de réduire l'impact de l'épidémie sur la société est désormais incontournable : l'enquête sur les vaccins possibles grâce à des techniques de découverte et de réutilisation de médicaments devient un sujet de plus en plus important dans la recherche. Malone et al. (2020) ont appliqué une simulation basée sur Monte Carlo pour prévoir le schéma directeur des vaccins contre le SRAS-CoV-2, en fournissant une large gamme d'épitopes de cellules T (partie antigène pouvant stimuler une réponse immunitaire). Les auteurs d'Immunitrack ApS, Prachar et al. (2020), une société qui fournit des évaluations de l'immunogénicité pendant le développement de médicaments, a utilisé la méthode du réseau neuronal, NetMHC, pour prédire quels peptides se lieront et ainsi identifier les épitopes du vaccin SARS-CoV-2. Enfin, comme pour l'analyse des séquences du gène COVID-19, Lopez-Rincon et al. (2021) proposent un CNN pour classer 553 séquences génomiques avec des résultats de précision prometteurs.

Après le premier pic de la pandémie

A ce stade, grâce à des mesures restrictives et à une surveillance adéquate, la diffusion du virus est contenue et le nombre de nouvelles infections commence à diminuer. Cependant, étant donné que le niveau d'activité de la grippe pandémique pourrait à nouveau augmenter, l'évaluation de la réponse des systèmes sociaux et de santé et l'analyse des problèmes critiques soulevés lors des phases précédentes deviennent des tâches essentielles pour éviter une nouvelle vague potentielle de contagion. Selon l'OMS, il est nécessaire de déterminer l'efficacité des interventions utilisées à ce jour et éventuellement de mettre à jour les directives, procédures et stratégies. En ce sens, la réalisation d'études rétrospectives permet de minimiser l'impact de la pandémie et de diminuer le risque d'autres épidémies.

Les articles concernant cette étape sont résumés dans le tableau  4 .

Les données circulent constamment et les communautés de recherche commencent à partager des informations de manière systématique et structurée : la COVID-19 Drug and Gene Set Library Kuleshov et al. (2020), dans laquelle une collection de médicaments et d'ensembles de gènes liés à la recherche sur COVID-19 provenant de sources multiples est présente. L'ensemble de données de recherche ouvert COVID-19 (CORD-19) Kohlmeier et al. (2020), contenant des articles de recherche mis à jour chaque semaine sur le COVID-19, le SRAS-CoV-2 et les coronavirus associés, ne sont que deux exemples remarquables de plateformes collaboratives mises en place dans la situation actuelle. Dans ce scénario, une telle collection de connaissances accessible au public élargit les possibilités de recherche et rend les méthodologies d'IA de plus en plus réalisables.

Les méthodologies de traitement du langage naturel peuvent être utilisées pour analyser rapidement les résultats scientifiques produits dans la littérature (Doanvo et al. 2020 Kricka et al. 2020 Levin et al. 2020). En particulier Doanvo et al. (2020) ont utilisé la PNL pour lemmatiser les mots et prétraiter le texte, et ont obtenu une réduction de la dimensionnalité avec SVD et une modélisation de sujet avec son LDA. De plus, les techniques de DL peuvent être appliquées dans la compréhension des aspects sociaux et politiques à travers la presse et les médias sociaux. En outre, les tendances temporelles peuvent être étudiées et analysées grâce aux modèles de prévision ML et DL, et les modèles mathématiques, tels que les modèles Susceptibles, Infectieux ou Récupérés (SIR), peuvent être étendus et améliorés grâce aux stratégies d'IA.

La diffusion des infections humaines peut être maîtrisée par des pratiques de distanciation sociale et d'isolement. Cette simple application du bon sens (comme les distances sociales), comme dans le cas des coronavirus Chatterjee et al. (2020), a un prix élevé en termes d'impact social et économique. Il est clair que des stratégies intelligentes pour détecter les individus infectés et surveiller leurs comportements constituent une condition préalable fondamentale pour assouplir les mesures restrictives nécessaires au pic de la pandémie.L'IA peut fournir des outils capables de reconnaître les premiers symptômes, tels que la fièvre dans le cas du COVID-19, grâce à son applicabilité aux tâches de vision par ordinateur. Par exemple, la mesure automatisée de la température corporelle à différents points de contrôle dans les aéroports, les gares et divers endroits de la ville est présentée dans Barabas et al. (2020). Grâce à la présence omniprésente des caméras pour la surveillance et la détection du trafic, il est possible d'identifier et de suivre les personnes en contact étroit avec des individus suspectés de COVID-positive. De telles stratégies peuvent permettre l'identification précoce d'épidémies potentielles, évitant de nouvelles vagues de contagion grâce à des quarantaines localisées pour les personnes susceptibles d'avoir été infectées. En principe, le respect du confinement peut être assuré par une surveillance passive et une vérification active, grâce aux appareils domestiques intelligents aujourd'hui largement répandus. Par exemple, une application intéressante concerne les haut-parleurs intelligents (Alrumayh et Tan 2020), qui écoutent régulièrement dans un environnement et ne transmettent un signal que lorsque l'algorithme de surveillance local détecte que quelqu'un n'est pas à la maison.

D'un point de vue plus général, les stratégies de surveillance, bien qu'alliées précieuses pour maîtriser les épidémies potentiellement catastrophiques, ne peuvent pas être omniprésentes. Les ressources sont limitées et les systèmes de surveillance ne peuvent pas être placés partout. Méthodologies capables de prévoir les comportements temporels de l'infection, compte tenu des attributs de la population, du comportement de la population, de la mobilité et des caractéristiques de diffusion de la maladie, Ramchandani et al. (2020) peut aider à identifier à l'avance les situations à haut risque. Les modèles de prédiction de la mobilité peuvent être utilisés pour comprendre les relations épidémiques géographiques et le risque de contagion. Un exemple remarquable est le réseau de neurones à deux niveaux, Hi-COVIDNet, développé par Kim et al. (2020), composé d'encodeurs au niveau des pays et des continents, qui permet une évaluation de l'aléa des déplacements internationaux. En ce sens, les stratégies mentionnées ci-dessus peuvent aider les gouvernements à allouer des ressources de quarantaine et peuvent également optimiser à la fois l'efficacité des mesures restrictives imposées et l'agencement des systèmes de surveillance.

Des procédures de diagnostic précoce améliorées, dans un sens, constituent une autre condition préalable essentielle pour des mesures d'isolement social moins restrictives. L'amélioration des méthodologies permettant un diagnostic rapide et précis de l'infection à partir des symptômes et de l'analyse médicale garantit que les patients peuvent être triés de manière de plus en plus efficace, ce qui entraîne des traitements plus efficaces. Une telle approche produit des avantages à la fois pour les personnes et les systèmes de santé. Une meilleure capacité à gérer la maladie améliore la robustesse de la réponse à d'éventuelles nouvelles urgences. Nous soulignons les résultats de Gupta et al. (2021) qui étudient la tendance de cinq maladies virales différentes (Covid-19, Ebola, MERS, SRAS, grippe porcine) en utilisant le LSTM. Les données médicales collectées pendant le pic de l'urgence et les informations sur l'applicabilité des différents modèles permettent d'affiner davantage les procédures mentionnées ci-dessus, en concentrant la recherche sur les pratiques qui se sont avérées efficaces.

La littérature examinée montre que deux approches principales peuvent être suivies pour accomplir cette tâche. Une première stratégie consiste à exploiter des modèles convolutifs pré-entraînés, en les affinant sur des images diagnostiques liées au COVID-19 (Minaee et al. 2020 Horry et al. 2020 Wang et al. 2021b). De cette façon, il a été possible d'obtenir des estimations des régions pulmonaires potentiellement infectées par COVID-19, ensuite examinées avec l'aide de radiologues certifiés. Deuxièmement, la recherche s'est concentrée sur l'un des problèmes les plus difficiles apparus avec l'avènement de la grippe saisonnière, à savoir la différenciation entre la pneumonie induite par le SRAS-COV-2 et la pneumonie courante. Il convient de souligner que séparer les patients COVID-19 de ceux qui ne sont pas infectés est une tâche critique, en particulier dans les structures de santé, car un patient déjà compromis peut avoir de graves conséquences pour sa santé. Dans ce but, de nouvelles approches d'IA ont été développées. Parmi ceux-ci, nous ne rapportons que quelques exemples, tels que Jin et al. (2020), qui a proposé un système d'IA pour la détection rapide du COVID-19, en le développant et en l'évaluant sur un vaste ensemble de données avec plus de 10 000 images CT de COVID-19, grippe-A/B, pneumonie communautaire non virale (CAP ) et les sujets non-pneumoniaux, et Oh et al. (2020), qui, à l'aide d'ensembles de données de radiographie pulmonaire publique (CXR), a étudié des biomarqueurs potentiels dans les CXR et exploité leurs résultats pour développer une architecture NN profonde basée sur des patchs qui peut être entraînée de manière stable avec un petit ensemble de données.

Après avoir combattu la pandémie par la surveillance, la distanciation et des procédures médicales renforcées, une fois le pic d'urgence passé, il faut faire face aux effets de la crise sur la communauté. La fermeture forcée des activités commerciales et l'isolement prolongé ont généré des problèmes économiques et sociaux, attirant l'attention des institutions sur les plans de soutien financier concernant les premiers problèmes et les stratégies de prévention communautaires concernant les seconds. Dans ce contexte, les stratégies d'IA peuvent s'avérer précieuses pour optimiser les ressources et concevoir des outils d'analyse efficaces : prédire l'évolution temporelle des différents segments de marché (Sadefo Kamdem et al. 2020 Polyzos et al. 2020 Ou et al. 2020) peut se traduire par une meilleure efficacité stratégies de redistribution des fonds. En revanche, l'analyse prédictive des troubles de santé mentale dus à une détresse élevée pendant la pandémie de COVID-19 (Ćosić et al. 2020), par exemple, peut conduire à la mise en place d'infrastructures de services sociaux là où elles sont le plus nécessaires.

Après la pandémie

Cet état final est défini par le WHO GIP (2009) comme le post pandémie phase. C'est le cas, la présence du virus pourrait être endémique dans la population, et les occurrences virales sont comparables à celles de la grippe saisonnière dans la plupart des pays avec une surveillance appropriée. A ce stade, toutes les stratégies mises en place au cours des différentes phases de la pandémie ont porté leurs fruits et les niveaux d'infection sont sous contrôle.

En 2015, Gates (2015), après l'épidémie d'Ebola, a souligné que le monde avait besoin de mécanismes mondiaux d'alerte et de réponse pour se préparer plus efficacement à d'éventuelles futures pandémies. Concernant la pandémie de COVID-19, le monde n'était toujours pas prêt à relever un tel défi, et en effet cet événement peut servir de leçon aux gouvernements pour mettre en œuvre le type de mécanismes que Gates proposait. Dans ce contexte, une analyse rétrospective peut mettre en évidence les mesures qui ont bien fonctionné et celles qui n'ont pas fourni de repères utiles sur les bonnes stratégies à mettre en place lors d'une crise sanitaire.

Du point de vue des données, les grands efforts déployés par les communautés de recherche en termes de fourniture de bases de données partagées et en accès libre ont facilité les collaborations internationales (par exemple, le consortium international 4CE pour les études de données de la pandémie de COVID-19 (EHR) ( Brat et al. 2020) ou les projets liés au COVID-19 du réseau ELLIS, voir https://ellis.eu/covid-19/projects pour plus de détails). Ce type d'initiative améliore la coordination, réduisant le risque de répétitions inutiles d'études de recherche similaires.

De plus, la disponibilité de telles informations soutient la conception de méthodologies d'IA pour intégrer différents types de données. Les symptômes cliniques et les analyses de laboratoire conduiront à des diagnostics fiables et efficaces (Shi et al. 2020) la disponibilité d'une multitude de sources de « données volumineuses » sur les interactions interhumaines fournira un suivi efficace de l'infection (van der Schaar et al. 2020), et un processus décisionnel amélioré.

D'autres exemples incluent des modèles d'IA agrégés pour développer des systèmes d'aide à la décision clinique (CDSS) pour les unités de soins intensifs, exploitant les systèmes IoT (Rehm et al. 2020). En outre, l'utilisation de l'IA dans le domaine de la robotique pour explorer la rentabilité et les avantages de telles stratégies appliquées dans des situations de soins pré-, intra- et post-opératoires peut être envisagée (Zemmar et al. 2020). L'application de l'apprentissage par transfert pour tenir compte des différences entre les populations, en éliminant les biais tout en extrayant des informations utiles pour identifier les sous-groupes appropriés, est utilisée pour accélérer les phases d'apprentissage lors du test de nouveaux traitements (van der Schaar et al. 2020).

Par ailleurs, concernant la modélisation des connaissances, Reese et al. (2021) ont analysé des données biomédicales du 15 mars 2020 au 8 janvier 2021 pour produire des graphiques de connaissances (KG) avec un cadre qui ingère et intègre des données hétérogènes. Le cadre utilise node2vec pour obtenir des plongements de graphe pour générer des prédictions. Cette approche peut fournir un moyen de fusionner différentes sources de données et connaissances et former une plate-forme pour faciliter la réponse COVID-19. En revanche, Laponogov et al. (2021) ont utilisé des bases de données de molécules alimentaires et de médicaments pour modéliser un algorithme de propagation par marche aléatoire afin de proposer des composés à base de médicaments/aliments avec la plus grande probabilité d'être efficaces contre COVID-19. Ils proposent une méthode ML pour identifier les molécules anti-COVID-19 bioactives potentielles dans les aliments en fonction de leur capacité à cibler les réseaux d'interactomes de l'hôte SARS-CoV-2. Les auteurs ont mené leurs recherches au sein du réseau de supercalculateurs DreamLab App, en utilisant des milliers de smartphones avec une capacité de calcul inactive. Les auteurs s'attendent également à ce que ce projet de carte alimentaire joue un rôle essentiel dans l'avenir des thérapies nutritionnelles de précision contre le COVID-19.

En définitive, d'un point de vue général, les auteurs d'Abdel-Basset et al. (2021b) décrivent et discutent d'une combinaison de différentes technologies pour l'analyse COVID-19. Ces fusions de technologies incluent l'IA, l'industrie 4.0, l'IoT, l'Internet des objets médicaux (IoMT), le big data, la réalité virtuelle (VR), la technologie des drones, les robots autonomes, la 5G et la blockchain pour fournir des solutions innovantes conjointes.

L'énorme essor de la recherche liée à l'IA et toutes les stratégies discutées jusqu'à présent soulignent que ces types d'approches peuvent offrir des solutions efficaces à des problèmes réels et peuvent être appliquées de manière omniprésente dans de nombreux domaines différents. Face à la présence omniprésente des appareils IoT et des nouvelles technologies de connexion, reconnaître ce fait ouvre la voie à une multitude de nouvelles opportunités commerciales. À titre d'exemple, en raison de l'utilisation massive d'appareils portables, la société Fitbit travaille avec la société Apple et le Stanford Healthcare Innovation Lab sur des algorithmes capables de détecter le COVID-19 avant même le début des symptômes (Snider 2020). Mila, est un autre exemple passionnant, qui apporte son expertise DL au monde scientifique, en collaboration avec ses partenaires de diverses disciplines, pour trouver et mettre en œuvre des solutions aux problèmes liés à la pandémie (voir https://mila.quebec/fr/covid-19/ ).


1 réponse 1

Validation du formulaire

Une option pour simplifier le code qui valide les sélections de champs de formulaire consiste à utiliser la fonctionnalité de validation des données de formulaire HTML5. Fondamentalement, l'ajout de l'attribut requis à tous les boutons radio (enfin, au moins un par groupe - voir cette réponse SO pour plus de contexte) devrait suffire. Avec cela, la fonction de rappel de soumission de formulaire (c'est-à-dire mostrar_placar() peut être simplifiée en appelant simplement placar() dans la ligne qui affiche l'alerte.

Cacher les références DOM

Les recherches DOM (par exemple document.getElementById() ) sont coûteuses et ne devraient se produire qu'une seule fois par élément ou ensemble d'éléments. Il est judicieux de les stocker dans une variable (ou une constante si vous souhaitez utiliser la const es6).

Vérification du nombre de bonnes réponses

Au lieu d'avoir la fonction placar() en boucle sur toutes les entrées, juste pour voir si chacune est vérifiée et si c'est le cas, si l'attribut id est inclus dans certos , la fonction pourrait simplement itérer sur les bonnes réponses et vérifier si l'entrée associée est vérifiée . Pour une petite application comme celle-ci, la différence entre 20 itérations et 5 est faible, mais ce serait une grande différence dans une application plus grande.

Alertes

Sachez que les alertes peuvent être désactivées et ne doivent pas être utilisées pour fournir des commentaires aux utilisateurs car vous ne pouvez pas savoir (sans un code supplémentaire et un travail de devinette) si elles ont été lues. Il est de loin préférable de fournir des commentaires sur la page.

Il peut donc être judicieux de créer un élément et de le faire apparaître/mettre à jour le cas échéant, au lieu d'utiliser alert() .


Dans emacs, ce n'est pas si difficile d'écrire le vôtre.

Comme l'autre réponse le dit, le mode maléfique est également excellent

Je ne suis pas sûr de comprendre ce qui est si génial de ne pas souligner les lignes en premier.

Quoi qu'il en soit, les sélectionner est facile. La commande vi :20,2003s/foo/bar/g<CR> serait quelque chose comme : M-g M-g 20 RET C-SPC M-g M-g 2004 RET M-% foo RET bar RET ! . Oui, la version vi est une version complète de 3 touches plus courte et plus facile à taper, mais celle d'Emacs n'est pas trop mauvaise. Si vous prévoyez de faire beaucoup de choses sur cette même plage de lignes en plus de la recherche et du remplacement, je vous recommande d'utiliser étroit-à-région .

Vous pouvez passer en mode mal et utiliser des commandes similaires aux commandes de vi.


4 réponses 4

Il ne s'agit pas vraiment de savoir comment retourner bool à partir d'une fonction en C. Votre code le fait déjà.

La question est vraiment de savoir si bool le bon type de données lorsque l'ensemble des valeurs possibles est plus grand que true et false . Cela pourrait faire l'objet d'une longue discussion philosophique, mais comme il s'agit d'un projet personnel, vous n'avez pas à vous soucier de votre décision dans un contexte plus large. Dans une équipe, où le code existant peut déjà avoir une opinion sur des situations comme celle-ci, une décision peut être prise pour vous.

Donc, dans ce cas, il y a plusieurs couples de réponses possibles. Quelques options :

  • Conservez le type de retour bool et utilisez false pour les erreurs de saisie telles que les pointeurs nuls ou les valeurs non valides ( row > height , etc.)
  • Utilisez une énumération pour représenter CHECKED , UNCHECKED , UNKNOWN etc. au lieu d'un booléen. De nombreuses bibliothèques C le font efficacement en retournant 0 (par exemple INVALID_SOCKET ) pour indiquer une erreur (ou parfois -1).
  • Validez les entrées ailleurs pour vous assurer que cette fonction peut toujours renvoyer correctement un booléen significatif lorsqu'elle est appelée.

Certaines autres options incluent le passage d'un pointeur vers un booléen et le renvoi d'une valeur d'erreur. Quelque chose comme ça:

Puisqu'il s'agit d'un projet personnel, vous pourrez peut-être vous en sortir en faisant vos vérifications comme conditions préalables via assert :

Cela permettra de détecter les erreurs pendant le développement, mais les vérifications seront compilées lors de la publication.

Si votre compilateur ou un autre outil le prend en charge, vous pourrez peut-être annoter vos fonctions avec des annotations de nullité. (Cet exemple concerne Swift, mais une recherche rapide montre que les outils qui les prennent en charge sont également disponibles pour d'autres langues.) Ceux-ci vous permettent de marquer les arguments d'une fonction comme nonnull , ce qui signifie que l'argument n'est pas autorisé à être NULL. Cela interceptera certains appels potentiels au moment de la compilation plutôt qu'à l'exécution et vous permettra de les corriger avant de les expédier.


Quelle est la valeur de $1^i$ ?

Tout d'abord, un exemple concret de choses qui peuvent arriver avec une exponentiation complexe si vous ne faites pas attention : $1 = e^<2pi i>$, donc on peut naïvement essayer de calculer $1^i = (e^<2pi i>)^i = e^ <(2pi i)i>= e^<-2pi>$.

La morale formelle de cet exemple est que la valeur de $1^i$ dépend de la branche du logarithme complexe que vous utilisez pour calculer la puissance. Vous savez peut-être déjà que $1=e^<0+2kipi>$ pour chaque entier $k$, il y a donc beaucoup de choix possibles pour $log(1)$.

La définition du manuel de l'exponentiation complexe indique que $1^i = e^$ où "log" est une branche du logarithme complexe.

Maintenant $e^ <(2kipi)i>= e^<-2kpi>$. Si vous prenez $k = 0$, ce qui correspond à utiliser la branche principale du logarithme, vous obtenez une réponse de $1^i = e^0 = 1$. Si vous prenez $k = 2$ comme dans l'exemple ci-dessus, en utilisant le fait que $1=e^<2pi i>$, vous obtenez $1^i = e^<-2pi>$. Il existe une infinité de valeurs possibles pour $1^i$, correspondant aux différentes branches du logarithme complexe.

Le point de confusion ici est que la formule $1^x = 1$ ne fait pas partie de la définition de l'exponentiation complexe, bien qu'elle soit une conséquence immédiate de la définition de l'exponentiation des nombres naturels.

Un deuxième point qui peut prêter à confusion est que la fonction $e^z$ utilisée ci-dessus est en réalité la fonction exponentielle complexe $exp(z)$, qui est définie par une série entière. Sinon, la définition de l'exponentiation complexe serait circulaire.

c'est 1. 1 à la puissance de quoi que ce soit est 1.

Éditer: Je vais élaborer. En définissant $a^b$, nous savons intuitivement quoi faire dans certains cas. Lorsque $a$ est un entier positif et $b$ est un entier, par exemple. Cette définition est facilement étendue lorsque $a$ est réel et positif et que $b$ est un nombre réel. Dans le cas où $a$ est négatif ou complexe, nous rencontrons des problèmes. une façon de contourner cela est de définir la puissance en termes de logarithme, comme $a^b = e^$. Ensuite, nous avons le problème que le logarithme est multivalué, nous pourrions donc obtenir des réponses différentes selon la branche que nous choisissons. C'est l'approche discutée dans la solution de Carl.

Je ne crois pas que cette méthode proposée s'applique au cas où $a$ est positif et réel, qui est le cas pertinent en cours de discussion. Dans le cas où $a$ est positif et réel, $a^b$ est défini sans ambiguïté comme $a^b = e^$, où $ln a$ est le nombre réel unique $x$ satisfaisant $e^x = a$. Cette définition fonctionne même dans le cas où $b$ est complexe. Nous pouvons donc appliquer ceci au problème d'origine : $1^i = e^ = e^0 = 1$ (Myke, tu as mon +1 !). En fait, $1^z = 1$ pour tout $z$ complexe. Ce point de vue est partagé par MathWorld, WolframAlpha et Wikipedia, pour ce que cela vaut.

Je suppose qu'à un certain niveau, c'est une question de sémantique et de préférence. Pourquoi ne pas utiliser plusieurs branches et tout ce jazz pour le cas où $a>0$ ? Parce que (et c'est mon avis), c'est inutile, et ne correspond pas aux définitions existantes. La fonction exponentielle $e^z$ est bien définie via une série entière et je pense que tout le monde serait d'accord pour dire qu'elle est à valeur unique, même lorsque $z$ est complexe. Cela n'a aucun sens pour moi que $a^z$ soit différent lorsque $a$ est réel et positif.


6. Utilisation de modèles UML

Cette spécification a distingué UML comme langage de modélisation alternatif en raison de l'utilisation intensive d'UML pour créer des modèles de domaine et d'entreprise. La disponibilité de ces modèles, même lorsque certains doivent être étendus pour capturer la sémantique nécessaire, fournit un ensemble initial important d'ontologies utiles pour l'annotation sémantique. WSDL-S prend en charge les modèles de classe UML pour l'annotation via des références à des constructions de modèle sérialisées dans des fichiers XMI. Alternativement, un modèle de classe UML peut être converti en OWL en utilisant les règles de mappage définies par le métamodèle de définition d'ontologie [ODM] développé par l'Object Management Group.


5 réponses 5

Le résultat final de la fonction dépendrait de la méthode de division que vous utiliseriez, du moins si cette fonction est exécutée par un ordinateur.

Une chose que nous pouvez être sûr, cependant, est que le résultat de f(1) ne sera en aucun cas 0.

Après tout, l'entrée de la fonction est 1 et les boucles conservent en augmentant la valeur de i.

Par exemple, si la fonction est exécutée en utilisant une division entière, (1 / 2) > 0 serait faux, et la fonction finirait par donner un résultat.

Cependant, le résultat serait 2 , pas 0 .

Par conséquent, la fonction manque de ressources ou renvoie quelque chose de plus grand que 0 - mais jamais 0.

Bien que je réponde à cette question en tant que programmeur plutôt qu'en tant que mathématicien, la logique reste vraie, qu'elle soit mathématique ou programmatique : même si nous supposons que la boucle peut aller à l'infini et que nous supposons que 1 divisé par l'infini est supérieur à 0, la fonction produirait l'infini, pas 0.

La logique pure dicte que f(1) != 0 , quelle que soit la notation préférée :)

Puisque j'écris ceci en tant que programmeur sur Internet de toute façon, je pourrais aussi bien fournir une preuve avec cette réponse.

J'ai écrit l'extrait suivant :

(J'aurais utilisé if ($n < INT_MAX) mais cela donne un temps d'exécution de plus de 3 secondes)


Voir la vidéo: Section 1: Less Comfortable